神經(jīng)網(wǎng)絡(luò)仿生前沿技術(shù)及應(yīng)用

神經(jīng)網(wǎng)絡(luò)仿生前沿技術(shù)及應(yīng)用讀書報(bào)告神經(jīng)網(wǎng)絡(luò)仿生的發(fā)展和應(yīng)用簽名＿＿＿＿＿＿＿時(shí)間＿＿＿＿＿＿＿目錄一、概述 31.1神經(jīng)網(wǎng)絡(luò)仿生的定義 31.2神經(jīng)網(wǎng)絡(luò)仿生的特點(diǎn) 3二、神經(jīng)網(wǎng)絡(luò)仿生的基本原理 42.1神經(jīng)元(neuron)的基本結(jié)構(gòu)及作用 42.2神經(jīng)元的神經(jīng)沖動(dòng)傳導(dǎo) 42.3神經(jīng)元運(yùn)算基本模型 52.4神經(jīng)網(wǎng)絡(luò)模型之BP模型 6三、神經(jīng)網(wǎng)絡(luò)仿生的發(fā)展歷程與發(fā)展趨勢(shì) 63.1發(fā)展歷程 63.2發(fā)展趨勢(shì) 83.2.1、與小波分析的結(jié)合 83.2.2、混沌神經(jīng)網(wǎng)絡(luò) 83.2.3、基于粗集理論 93.2.4、與分形理論的結(jié)合 9四、神經(jīng)網(wǎng)絡(luò)仿生的應(yīng)用 94.1圖像識(shí)別 94.2仿生眼 104.3仿生鼻 11五、參考文獻(xiàn) 13

一、概述1.1神經(jīng)網(wǎng)絡(luò)仿生的定義何為神經(jīng)網(wǎng)絡(luò)仿生？神經(jīng)網(wǎng)絡(luò)仿生是指將神經(jīng)科學(xué)和現(xiàn)代技術(shù)相結(jié)合，研究生物（尤其是高等哺乳動(dòng)物）的神經(jīng)結(jié)構(gòu)（如神經(jīng)網(wǎng)絡(luò)）和性質(zhì)，通過(guò)對(duì)其所具有的功能原理和作用機(jī)理作為生物模型進(jìn)行研究，通過(guò)設(shè)計(jì)出人工神經(jīng)網(wǎng)絡(luò)，為工程技術(shù)提供新的設(shè)計(jì)思想及工作原理的科學(xué)。神經(jīng)網(wǎng)絡(luò)仿生的方向有很多，其中最本質(zhì)的便是人工神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和研究，基于人工神經(jīng)網(wǎng)絡(luò)，人們?cè)O(shè)計(jì)出神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)、遺傳算法、預(yù)測(cè)、組合優(yōu)化而形成計(jì)算智能，電子鼻、電子耳等電子器官以及將混沌引入神經(jīng)網(wǎng)絡(luò)中而形成更接近實(shí)際人腦的混沌神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)人工智能。所以，在一定程度上，我們可以說(shuō)神經(jīng)網(wǎng)絡(luò)仿生近似于人工神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)。神經(jīng)網(wǎng)絡(luò)仿生是生物學(xué)科和技術(shù)學(xué)科的綜合學(xué)科，它涉及生物學(xué)、生物物理學(xué)、生物化學(xué)、控制論、物理學(xué)、心理學(xué)等多個(gè)科學(xué)領(lǐng)域。神經(jīng)網(wǎng)絡(luò)仿生是屬于仿生學(xué)中比較高端的領(lǐng)域，它涉及對(duì)人腦的精密剖析與功能理解，對(duì)人類的進(jìn)步，人類的生存也具有重要意義。其最明顯的例子如根據(jù)模擬人腦控制和協(xié)調(diào)肢體運(yùn)動(dòng)的原理設(shè)計(jì)的能自動(dòng)調(diào)節(jié)握力的機(jī)器手，既能輕輕地握住一個(gè)雞蛋，又能使勁地舉起數(shù)十斤的重物。在信息科學(xué)和電子學(xué)技術(shù)高度發(fā)達(dá)的今天，隨著神經(jīng)生物學(xué)和神經(jīng)信息學(xué)的快速發(fā)展，神經(jīng)網(wǎng)絡(luò)仿生科學(xué)已經(jīng)成為科研方面不可避免的研究方向，對(duì)國(guó)家的經(jīng)濟(jì)發(fā)展、國(guó)防實(shí)力和綜合國(guó)力的提升有著不能忽視的重要影響。1.2神經(jīng)網(wǎng)絡(luò)仿生的特點(diǎn)神經(jīng)網(wǎng)絡(luò)仿生具有以下幾個(gè)特點(diǎn)：可以充分逼近任意復(fù)雜的非線性關(guān)系。人工神經(jīng)網(wǎng)絡(luò)中的每個(gè)神經(jīng)元并不是獨(dú)立的，而是相互影響的。人工神經(jīng)元處于激活或抑制兩張不同的狀態(tài)，這種行為在數(shù)學(xué)上表現(xiàn)為一種非線性的關(guān)系。神經(jīng)網(wǎng)絡(luò)從輸入到輸出的非線性映射正是通過(guò)各個(gè)神經(jīng)元的權(quán)值而相互影響，相互調(diào)整而實(shí)現(xiàn)的。并行分布式的系統(tǒng)處理方式。人工神經(jīng)網(wǎng)絡(luò)是有許多相同的處理單元并聯(lián)而成，雖然每個(gè)單元功能簡(jiǎn)單，但大量并聯(lián)神經(jīng)元的同時(shí)工作可以保證大量信息的傳輸、接收與處理。自我學(xué)習(xí)與更新性。人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自學(xué)習(xí)和自組織能力：人工神經(jīng)網(wǎng)絡(luò)在不斷接收新信息，處理新信息時(shí)，自身非線性的動(dòng)力系統(tǒng)也在不斷變化，進(jìn)行自我更新與進(jìn)化，呈現(xiàn)出很強(qiáng)的自學(xué)習(xí)能力以及對(duì)環(huán)境的自適應(yīng)性。二、神經(jīng)網(wǎng)絡(luò)仿生的基本原理2.1神經(jīng)元(neuron)的基本結(jié)構(gòu)及作用結(jié)構(gòu)：一個(gè)神經(jīng)元（neuron）可分為胞體(Soma)和突起（neurite）二部分。而神經(jīng)元的突起有分為樹(shù)突（Dendrites）、軸突(Axon),樹(shù)突多呈樹(shù)枝狀分支，而軸突呈索狀，末端有分支。通常一個(gè)神經(jīng)元有一個(gè)至多個(gè)樹(shù)突，但軸突只有一條。神經(jīng)元與神經(jīng)元之間的連接稱為突觸（Synapse）作用：①樹(shù)突（Dendrites）：接收神經(jīng)沖動(dòng)，將沖動(dòng)傳向胞體；②軸突(Axon)：傳出神經(jīng)沖動(dòng)，將沖動(dòng)從胞體傳向終末；神經(jīng)元2.2神經(jīng)元的神經(jīng)沖動(dòng)傳導(dǎo)神經(jīng)元神經(jīng)元興奮或沖動(dòng)傳導(dǎo)以細(xì)胞生物電為基礎(chǔ)。在沖動(dòng)傳導(dǎo)時(shí)將發(fā)生一系列電位變化。細(xì)胞由厚約10rim、膜電阻為1KΩ／cm2的半透膜所包裹。細(xì)胞質(zhì)的離子組成與細(xì)胞外液(體液)的離子組成有著本質(zhì)上的不同，細(xì)胞內(nèi)的陽(yáng)離子主要是K+，而體液中卻是Na+。這種差別使細(xì)胞質(zhì)膜成為向外排出Na+，向內(nèi)吸進(jìn)K+的泵(鈉泵)，在膜的內(nèi)外形成離子的偏倚，產(chǎn)生內(nèi)側(cè)為負(fù)、外側(cè)為正的電荷(膜的分極或極化)。其大小在神經(jīng)和肌肉中約為100mV，普通的細(xì)胞也有幾十毫伏，這是活細(xì)胞共同的性質(zhì)。給細(xì)胞刺激時(shí)，膜的電荷性質(zhì)的變化，曾用槍烏賊的巨神經(jīng)(直徑1mm)進(jìn)行過(guò)仔細(xì)的研究。把插入神經(jīng)中的微電極與陰極射線示波器連起來(lái)，記錄電位的變化。如果刺激神經(jīng)的一部分，膜對(duì)Na+的通透性暫時(shí)增大，負(fù)電位降低(脫分極或去極化)。刺激強(qiáng)度小時(shí)，質(zhì)內(nèi)在局部輕度脫分極；如果刺激強(qiáng)度超過(guò)閾值，便會(huì)發(fā)生顯著的脫分極，Na+通過(guò)細(xì)胞膜大量地流入質(zhì)內(nèi)，電位成0。由于K+流出膜外，膜內(nèi)側(cè)暫時(shí)成正。繼續(xù)下去先是Na+的入口關(guān)閉，接著K+的入口也關(guān)閉，鈉泵啟動(dòng)，離子和電荷恢復(fù)原來(lái)的狀態(tài)。離子濃度和膜的電荷之間有下列關(guān)系：Ek=（式中，Ek由于K+而產(chǎn)生的電位；ZkK+的電荷（=1）；KiKo細(xì)胞內(nèi)和細(xì)胞外的K+離子濃度；R氣體常數(shù)=8.314J/(K·2.3神經(jīng)元運(yùn)算基本模型這種模型有大量的基本單元（或稱節(jié)點(diǎn)、神經(jīng)元）之間相互連接構(gòu)成。每?jī)蓚€(gè)基本單元之間的連接都代表一個(gè)對(duì)通過(guò)該連接的信號(hào)的加權(quán)值，稱為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。此外還有一個(gè)激勵(lì)函數(shù)（activationfunction）。神經(jīng)網(wǎng)絡(luò)的輸出信號(hào)取決于神經(jīng)網(wǎng)絡(luò)的連接方式，權(quán)重值以及激勵(lì)函數(shù)。如圖所示：a1—an為輸入信號(hào)的各個(gè)分量，w1—wn為神經(jīng)元各個(gè)突觸的權(quán)值，此外還有一個(gè)閾值，該閾值來(lái)源于實(shí)際中神經(jīng)對(duì)刺激的反應(yīng)情況：在實(shí)際中，當(dāng)刺激不夠強(qiáng)烈時(shí)，神經(jīng)元的內(nèi)外電位差會(huì)發(fā)生改變，但不會(huì)引起動(dòng)作電位（或稱神經(jīng)興奮或神經(jīng)沖動(dòng)），只有當(dāng)刺激達(dá)到一定強(qiáng)度時(shí)，神經(jīng)元才會(huì)產(chǎn)生動(dòng)作電位（或稱神經(jīng)興奮或神經(jīng)沖動(dòng)），而剛好引起神經(jīng)沖動(dòng)的刺激強(qiáng)度即稱為閾值。InputSignalsWeightsNeuronOutputSignalsa1a2W1?W2???SUMYY?Wnan神經(jīng)元運(yùn)算基本模型而激勵(lì)函數(shù)(activationfunction)為：即當(dāng)Y=+1時(shí)，神經(jīng)元興奮；當(dāng)Y=-1時(shí)，神經(jīng)元不興奮。這種函數(shù)也稱為指示函數(shù)除此之外，還有其他的激勵(lì)函數(shù)(activationfunction)：2.4神經(jīng)網(wǎng)絡(luò)模型之BP模型BP模型，即(BackPropagation)網(wǎng)絡(luò)模型，是由Rumelhart和McCelland于1986年提出，是一種誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。將輸出誤差以某種隱層向輸入層逐層反傳是BP的核心思想，使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小是它的學(xué)習(xí)規(guī)則。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層(hidelayer)和輸出層(outputlayer)三、神經(jīng)網(wǎng)絡(luò)仿生的發(fā)展歷程與發(fā)展趨勢(shì)3.1發(fā)展歷程1943年，心理學(xué)家W.S.McCulloch和數(shù)理邏輯學(xué)家W.Pitts建立了神經(jīng)網(wǎng)絡(luò)和數(shù)學(xué)模型，稱為神經(jīng)計(jì)算模型-閾值元件模型（或稱為MP模型）。他們通過(guò)該MP模型提出了神經(jīng)元的形式化數(shù)學(xué)描述和網(wǎng)絡(luò)結(jié)構(gòu)，奠定了人工神經(jīng)網(wǎng)絡(luò)研究的基礎(chǔ)。1949年，心理學(xué)家D.O.Hebb提出了突觸聯(lián)系強(qiáng)度可變的設(shè)想，并通過(guò)該假設(shè)建立了人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則Hebb學(xué)習(xí)規(guī)則。他認(rèn)為，學(xué)習(xí)過(guò)程發(fā)生在突觸，連接的權(quán)值的調(diào)整正比于兩個(gè)互相連接的神經(jīng)元之間的激活值的乘積。50年代末，F(xiàn).Rosenblatt提出了著名的感知機(jī)(perception)模型，首次把神經(jīng)網(wǎng)絡(luò)理論付諸工程實(shí)現(xiàn)。這個(gè)模型是由簡(jiǎn)單的閾值單元構(gòu)成，具有神經(jīng)網(wǎng)絡(luò)的一些基本特征，如學(xué)習(xí)性、并行處理、分布存儲(chǔ)等。生物神經(jīng)網(wǎng)絡(luò)到人工神經(jīng)網(wǎng)絡(luò)1960年，B.Windrow和M.E.hoff提出了自適應(yīng)線性元件網(wǎng)絡(luò)模型，是對(duì)實(shí)際問(wèn)題如天氣預(yù)報(bào)方面起作用的神經(jīng)網(wǎng)絡(luò)。生物神經(jīng)網(wǎng)絡(luò)到人工神經(jīng)網(wǎng)絡(luò)1969年，美國(guó)人工智能專家M.Minsky和S.Pape出版著作《Perception》，從數(shù)學(xué)角度證明感知機(jī)不能解決非線性問(wèn)題。在此期間，還有一些研究者致力于人工神經(jīng)網(wǎng)絡(luò)的研究，提出了適應(yīng)諧振理論(ART網(wǎng))、自組織映射、認(rèn)知機(jī)網(wǎng)絡(luò)等理論，同時(shí)還進(jìn)行了神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)理論的研究，這些研究為神經(jīng)網(wǎng)絡(luò)的后續(xù)發(fā)展奠定了理論基礎(chǔ)。1982年，美國(guó)加州工學(xué)院物理學(xué)家J.J.Hopfield提出了Hopfield神經(jīng)網(wǎng)格模型，引入了“計(jì)算能量”概念，給出了網(wǎng)絡(luò)穩(wěn)定性判斷。1984年，他又提出了連續(xù)時(shí)間Hopfield神經(jīng)網(wǎng)絡(luò)模型，為神經(jīng)計(jì)算機(jī)的研究做了開(kāi)拓性的工作，開(kāi)創(chuàng)了神經(jīng)網(wǎng)絡(luò)用于聯(lián)想記憶和優(yōu)化計(jì)算的新途徑，有力地推動(dòng)了神經(jīng)網(wǎng)絡(luò)研究。1985年，Hinton和Sejnowski提出了Boltzman機(jī)模型，借用統(tǒng)計(jì)物理學(xué)的統(tǒng)計(jì)熱力學(xué)來(lái)研究神經(jīng)網(wǎng)絡(luò)，首次采用了多層網(wǎng)絡(luò)的學(xué)習(xí)算法，并將模擬退火技術(shù)移植到網(wǎng)絡(luò)的學(xué)習(xí)機(jī)理之中，保證整個(gè)系統(tǒng)趨于全局穩(wěn)定點(diǎn)。1986年，Rumelhart和McCelland及其研究小組出版了《Paralleldistributionprocessing:explorationsinthemicrostructuresofcognition》，他們提出的誤差逆?zhèn)鞑ニ惴ǎ^好的解決了多層網(wǎng)絡(luò)的學(xué)習(xí)問(wèn)題，成為至今影響最大的一種網(wǎng)絡(luò)學(xué)習(xí)算法，據(jù)統(tǒng)計(jì)有近90%的網(wǎng)絡(luò)應(yīng)用使用的是這一算法。1988年，Linsker對(duì)感知機(jī)網(wǎng)絡(luò)提出了新的自組織理論，并在Shanon信息論的基礎(chǔ)上形成了最大互信息理論，從而點(diǎn)燃了基于NN的信息應(yīng)用理論的光芒。1988年，Broomhead和Lowe用徑向基函數(shù)(Radialbasisfunction,RBF)提出分層網(wǎng)絡(luò)的設(shè)計(jì)方法，從而將NN的設(shè)計(jì)與數(shù)值分析和線性適應(yīng)濾波相掛鉤。90年代初，Vapnik等提出了支持向量機(jī)(Supportvectormachines,SVM)和VC(Vapnik-Chervonenkis)維數(shù)的概念。1995年，Jenkins等人研究了光學(xué)神經(jīng)網(wǎng)絡(luò)PNN，建立了光學(xué)二維并行互聯(lián)與電子學(xué)混合的光學(xué)神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了光學(xué)神經(jīng)元。3.2發(fā)展趨勢(shì)3.2.1、與小波分析的結(jié)合1981年，法國(guó)地質(zhì)學(xué)家Morlet通過(guò)對(duì)Fourier變換和加窗Fourier變換的異同、特點(diǎn)及函數(shù)構(gòu)造進(jìn)行研究，首先提出了"小波分析"的概念，并以他的名字為名，建立了Morlet小波。Morlet小波在時(shí)域和頻域同時(shí)具有良好的局部化性質(zhì)，對(duì)低頻信號(hào)在頻域和對(duì)高頻信號(hào)在時(shí)域里都有很好的分辨率。小波分析相當(dāng)于一個(gè)數(shù)學(xué)顯微鏡，具有放大、縮小和平移功能，通過(guò)檢查不同放大倍數(shù)下的變化來(lái)研究信號(hào)的動(dòng)態(tài)特性。小波神經(jīng)網(wǎng)絡(luò)將小波變換良好的時(shí)頻局域化特性和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能相結(jié)合，因而具有較強(qiáng)的逼近能力和容錯(cuò)能力。在結(jié)合方法上，可以將小波函數(shù)作為基函數(shù)構(gòu)造神經(jīng)網(wǎng)絡(luò)形成小波網(wǎng)絡(luò)，或者小波變換作為前饋神經(jīng)網(wǎng)絡(luò)的輸入前置處理工具，即以小波變換的多分辨率特性對(duì)過(guò)程狀態(tài)信號(hào)進(jìn)行處理，實(shí)現(xiàn)信噪分離，并提取出對(duì)加工誤差影響最大的狀態(tài)特性，作為神經(jīng)網(wǎng)絡(luò)的輸入。小波神經(jīng)網(wǎng)絡(luò)在電機(jī)故障診斷、高壓電網(wǎng)故障信號(hào)處理與保護(hù)研究、軸承等機(jī)械故障診斷以及許多方面都有應(yīng)用，將小波神經(jīng)網(wǎng)絡(luò)用于感應(yīng)伺服電機(jī)的智能控制，使該系統(tǒng)具有良好的跟蹤控制性能，以及好的魯棒性，利用小波包神經(jīng)網(wǎng)絡(luò)進(jìn)行心血管疾病的智能診斷，小波層進(jìn)行時(shí)頻域的自適應(yīng)特征提取，前向神經(jīng)網(wǎng)絡(luò)用來(lái)進(jìn)行分類，正確分類率達(dá)到94%。3.2.2、混沌神經(jīng)網(wǎng)絡(luò)上世紀(jì)70年代Li-Yorke第一次提出混沌的概念?；煦缡且环N在確定的系統(tǒng)中出現(xiàn)的無(wú)規(guī)則的運(yùn)動(dòng)，是存在于非線性系統(tǒng)中的一種較為普遍的現(xiàn)象，混沌運(yùn)動(dòng)具有遍歷性、隨機(jī)性等特點(diǎn)，能在一定的范圍內(nèi)按其自身規(guī)律不重復(fù)地遍歷所有狀態(tài)?；煦缋碚撍鶝Q定的是非線性動(dòng)力學(xué)混沌，目的是揭示貌似隨機(jī)的現(xiàn)象背后可能隱藏的簡(jiǎn)單規(guī)律，以求發(fā)現(xiàn)一大類復(fù)雜問(wèn)題普遍遵循的共同規(guī)律。1990年KAihara、TTakabe和M.Toyoda等人根據(jù)生物神經(jīng)元的混沌特性首次提出混沌神經(jīng)網(wǎng)絡(luò)模型，將混沌學(xué)引入神經(jīng)網(wǎng)絡(luò)中，使得人工神經(jīng)網(wǎng)絡(luò)具有混沌行為，更加接近實(shí)際的人腦神經(jīng)網(wǎng)絡(luò)。當(dāng)神經(jīng)網(wǎng)絡(luò)實(shí)際應(yīng)用中，網(wǎng)絡(luò)輸入發(fā)生較大變異時(shí)，應(yīng)用網(wǎng)絡(luò)的固有容錯(cuò)能力往往感到不足，經(jīng)常會(huì)發(fā)生失憶現(xiàn)象?；煦缟窠?jīng)網(wǎng)絡(luò)動(dòng)態(tài)記憶屬于確定性動(dòng)力學(xué)運(yùn)動(dòng)，記憶發(fā)生在混沌吸引子的軌跡上，通過(guò)不斷地運(yùn)動(dòng)(回憶過(guò)程)，一一聯(lián)想到記憶模式，特別對(duì)于那些狀態(tài)空間分布的較接近或者發(fā)生部分重疊的記憶模式，混沌神經(jīng)網(wǎng)絡(luò)總能通過(guò)動(dòng)態(tài)聯(lián)想記憶加以重現(xiàn)和辨識(shí)，而不發(fā)生混淆，這是混沌神經(jīng)網(wǎng)絡(luò)所特有的性能，它將大大改善Hopfield神經(jīng)網(wǎng)絡(luò)的記憶能力?；煦缥拥奈虼嬖?，形成了混沌神經(jīng)網(wǎng)絡(luò)固有容錯(cuò)功能。這將對(duì)復(fù)雜的模式識(shí)別、圖像處理等工程應(yīng)用發(fā)揮重要作用。3.2.3、基于粗集理論粗糙集(Roughsets)理論是1982年由波蘭華沙理工大學(xué)教授Z.Pawlak首先提出，它是一個(gè)分析數(shù)據(jù)的數(shù)學(xué)理論，研究不完整數(shù)據(jù)、不精確知識(shí)的表達(dá)、學(xué)習(xí)、歸納等方法。粗糙集理論是一種新的處理模糊和不確定性知識(shí)的數(shù)學(xué)工具，其主要思想就是在保持分類能力不變的前提下，通過(guò)知識(shí)約簡(jiǎn)，導(dǎo)出問(wèn)題的決策或分類規(guī)則。將兩者結(jié)合起來(lái)，用粗集方法先對(duì)信息進(jìn)行預(yù)處理，即把粗集網(wǎng)絡(luò)作為前置系統(tǒng)，再根據(jù)粗集方法預(yù)處理后的信息結(jié)構(gòu)，構(gòu)成神經(jīng)網(wǎng)絡(luò)信息處理系統(tǒng)。通過(guò)二者的結(jié)合，不但可減少信息表達(dá)的屬性數(shù)量，減小神經(jīng)網(wǎng)絡(luò)構(gòu)成系統(tǒng)的復(fù)雜性，而且具有較強(qiáng)的容錯(cuò)及抗干擾能力，為處理不確定、不完整信息提供了一條強(qiáng)有力的途徑。3.2.4、與分形理論的結(jié)合自從美國(guó)哈佛大學(xué)數(shù)學(xué)系教授BenoitB.Mandelbrot于20世紀(jì)70年代中期引入分形這一概念，分形幾何學(xué)(Fractalgeometry)已經(jīng)發(fā)展成為科學(xué)的方法論--分形理論用分形理論來(lái)解釋自然界中那些不規(guī)則、不穩(wěn)定和具有高度復(fù)雜結(jié)構(gòu)的現(xiàn)象，可以收到顯著的效果，而將神經(jīng)網(wǎng)絡(luò)與分形理論相結(jié)合，充分利用神經(jīng)網(wǎng)絡(luò)非線性映射、計(jì)算能力、自適應(yīng)等優(yōu)點(diǎn)，可以取得更好的效果。分形神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域有圖像識(shí)別、圖像編碼、圖像壓縮，以及機(jī)械設(shè)備系統(tǒng)的故障診斷等。分形圖像壓縮/解壓縮方法有著高壓縮率和低遺失率的優(yōu)點(diǎn)，但運(yùn)算能力不強(qiáng)，由于神經(jīng)網(wǎng)絡(luò)具有并行運(yùn)算的特點(diǎn)，將神經(jīng)網(wǎng)絡(luò)用于分形圖像壓縮/解壓縮中，提高了原有方法的運(yùn)算能力。將神經(jīng)網(wǎng)絡(luò)與分形相結(jié)合用于果實(shí)形狀的識(shí)別，首先利用分形得到幾種水果輪廓數(shù)據(jù)的不規(guī)則性，然后利用3層神經(jīng)網(wǎng)絡(luò)對(duì)這些數(shù)據(jù)進(jìn)行辨識(shí)，繼而對(duì)其不規(guī)則性進(jìn)行評(píng)價(jià)。四、神經(jīng)網(wǎng)絡(luò)仿生的應(yīng)用4.1圖像識(shí)別將人工神經(jīng)網(wǎng)絡(luò)方法用于模式識(shí)別時(shí)，應(yīng)用范圍非常廣，可以處理背景復(fù)雜，推理規(guī)則不明確的問(wèn)題，相對(duì)于傳統(tǒng)的模式識(shí)別方法，它有以下幾個(gè)優(yōu)點(diǎn):具有較強(qiáng)的容錯(cuò)性，可以識(shí)別帶有噪聲的輸入模式，允許輸入圖像有較大的缺損和畸變;(2)具有很強(qiáng)的自適應(yīng)學(xué)習(xí)能力;(3)可以用高速并行處理系統(tǒng)實(shí)現(xiàn);(4)能夠?qū)崿F(xiàn)特征空間較復(fù)雜的劃分。但基于人工神經(jīng)網(wǎng)絡(luò)的模式識(shí)別方法也有一些弱點(diǎn)，它學(xué)習(xí)時(shí)需要更多的訓(xùn)練數(shù)據(jù);在計(jì)算機(jī)上實(shí)現(xiàn)模擬的時(shí)候運(yùn)行速度較慢;目前能識(shí)別的模式類還不夠多，其模型在不斷的豐富完善中;無(wú)法得到所使用的決策過(guò)程的透徹理解(如無(wú)法得到特征空間的決策面)。特征提取預(yù)處理神經(jīng)網(wǎng)絡(luò)識(shí)別特征提取預(yù)處理神經(jīng)網(wǎng)絡(luò)識(shí)別識(shí)別結(jié)果圖像圖像輸入基于人工神經(jīng)網(wǎng)絡(luò)的圖像模式識(shí)別的一般模型框圖如圖是基于人工神經(jīng)網(wǎng)絡(luò)的圖像模式識(shí)別的一般模型框圖?；谌斯ど窠?jīng)網(wǎng)絡(luò)的模式識(shí)別系統(tǒng)一般由五部分組成:圖像輸入、圖像預(yù)處理、特征提取、神經(jīng)網(wǎng)絡(luò)識(shí)別模塊、輸出識(shí)別結(jié)果。其中圖像預(yù)處理就是通過(guò)圖像平滑、二值化、歸一化等方法將原始圖像信息中的無(wú)用信息刪除，便于后面的特征提取。神經(jīng)網(wǎng)絡(luò)圖像識(shí)別系統(tǒng)中的特征提取部分可以存在，也可以不要，因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)有自動(dòng)提取圖像特征的功能，根據(jù)是否提取特征可分為兩大類:（1)有特征提取模塊:這種方法是先將輸入圖像進(jìn)行特征提取，這里對(duì)特征提取要求較高，如果特征提取的不好，不能反映出圖像的本質(zhì)，將直接影響后面神經(jīng)網(wǎng)絡(luò)對(duì)圖像的識(shí)別，它的抗干擾性能不夠好。（2)無(wú)特征提取模塊:這種方法是直接將圖像作為輸入，而圖像的維數(shù)一般都是比較大的，這樣就導(dǎo)致了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可能很大。此時(shí)，完全是通過(guò)神經(jīng)網(wǎng)絡(luò)本身的性能來(lái)達(dá)到特征提取，消除圖像模糊等變形的影響的目的。該方法的抗干擾性能好，識(shí)別率高。將神經(jīng)網(wǎng)絡(luò)用于模式識(shí)別時(shí)，如何選擇合適的樣本進(jìn)行訓(xùn)練和選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)造分類器是兩個(gè)關(guān)鍵的問(wèn)題。當(dāng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時(shí)，每個(gè)類別的樣本都要進(jìn)行訓(xùn)練，并且每類樣本的個(gè)數(shù)最好要近似相等，這樣可以防止訓(xùn)練后的網(wǎng)絡(luò)對(duì)樣本多的類別響應(yīng)過(guò)于敏感，而對(duì)樣本數(shù)少的類別不敏感，使得網(wǎng)絡(luò)的精度不高。同時(shí)可以大幅度提高網(wǎng)絡(luò)訓(xùn)練速度，避免使網(wǎng)絡(luò)陷入局部極小點(diǎn)。同時(shí)由于神經(jīng)網(wǎng)絡(luò)并不具有不變識(shí)別的能力，所以要使網(wǎng)絡(luò)對(duì)輸入圖像旋轉(zhuǎn)、伸縮等都具有不變性，在選擇訓(xùn)練樣本時(shí)要盡可能的選擇各種可能情況下的樣本，像不同角度、不同大小、不同背景、不同方位等有代表性的樣本，以保證網(wǎng)絡(luò)有較高的識(shí)別率。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的選擇目前還沒(méi)有確切的理論作為指導(dǎo)，只能根據(jù)具體情況來(lái)進(jìn)行設(shè)計(jì)。神經(jīng)網(wǎng)絡(luò)的輸入就是圖像的特征向量，輸出就是類別數(shù)。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)就是選擇大量需要識(shí)別圖像的樣本，然后輸入到神經(jīng)網(wǎng)絡(luò)中，通過(guò)輸入大量的訓(xùn)練樣本來(lái)修改網(wǎng)絡(luò)中的參數(shù)，這個(gè)過(guò)程就是神經(jīng)網(wǎng)絡(luò)對(duì)正確樣本的“記憶”過(guò)程。神經(jīng)網(wǎng)絡(luò)是按圖像整個(gè)特征向量來(lái)記憶圖像的，并將特征分配到各個(gè)權(quán)值上，只要輸入圖像的大多數(shù)特征都符合曾學(xué)習(xí)過(guò)的樣本就可以認(rèn)為是同一類別，所以當(dāng)輸入圖像存在較大噪聲的時(shí)候神經(jīng)網(wǎng)絡(luò)分類器仍可以正確識(shí)別。4.2仿生眼從1989年以來(lái)美國(guó)、德國(guó)、和澳大利亞的一些大學(xué)和研究所一直在尋求用仿生學(xué)方法來(lái)設(shè)計(jì)各種類型的人工眼已經(jīng)在動(dòng)物實(shí)驗(yàn)上取得了一定的進(jìn)展。仿生眼的設(shè)計(jì)是基于視網(wǎng)膜結(jié)構(gòu)的以下特點(diǎn):1、外界物體通過(guò)晶狀體聚焦在視網(wǎng)膜上形成光學(xué)圖像；2、電流刺激視網(wǎng)膜的輸出級(jí)神經(jīng)元(神經(jīng)節(jié)細(xì)胞)能產(chǎn)生閃光感覺(jué)。研究者試圖將仿生眼應(yīng)用于視網(wǎng)膜色素變性和黃斑變性導(dǎo)致的失明,這兩種疾病都只破壞視網(wǎng)膜的感光細(xì)胞層其輸出級(jí)神經(jīng)元功能正常。仿生眼分“眼式”和“腦式”兩種形式。眼式仿生眼的關(guān)鍵性部件是一片種植在視網(wǎng)膜上的微型芯片(人工視網(wǎng)膜)由硅光電二極管陣列組成。一個(gè)被裝置在眼鏡架上的攝像機(jī)把圖像信息遞給人工視網(wǎng)膜通過(guò)光電效應(yīng)產(chǎn)生電流刺激視網(wǎng)膜神經(jīng)節(jié)細(xì)胞產(chǎn)生興奮從而引起光的感覺(jué)。腦式仿生眼是用在視網(wǎng)膜被完全損壞的情況。在這種情況下,刺激電極陣列是直接種植在大腦初級(jí)視皮層上。這種系統(tǒng)的基本構(gòu)造與前一種一樣,不過(guò)攝像機(jī)獲得的信息是傳送給植入視皮層的硅片以便將光學(xué)圖像轉(zhuǎn)換成電刺激,作用在大腦視皮層上(電流刺激初級(jí)視皮層也會(huì)引起閃光感覺(jué))。需要特別指出的是目前這樣的裝置代價(jià)昂貴(手術(shù)加器件),而且只能給盲人提供某種光感和十分有限的圖形感覺(jué)。即使是從長(zhǎng)遠(yuǎn)觀點(diǎn)看由于視覺(jué)系統(tǒng)結(jié)構(gòu)和功能的復(fù)雜性用視網(wǎng)膜或皮層電刺激的方法不可能產(chǎn)生精細(xì)視覺(jué),立體視覺(jué)、和色覺(jué)。雖然美國(guó)已成立了專門的研究所和公司，但是,直到目前為止美國(guó)食品和藥品管理局還沒(méi)有批準(zhǔn)將這種技術(shù)應(yīng)用于盲人。4.3仿生鼻（1）根據(jù)對(duì)生物嗅覺(jué)的研究和